En resumen. Cuando predecimos cuánto durará un proyecto, si un negocio sobrevivirá o cómo saldrá una decisión, construimos de forma natural una historia a partir de los detalles de nuestro propio caso. Daniel Kahneman y Amos Tversky lo llamaron visión interna. El remedio es la visión externa: antes de mirar tu caso, pregúntate cómo suelen terminar los casos parecidos y parte de esa tasa base. La brecha que corrige es grande. Los estudiantes que preveían terminar su tesis en 33,9 días tardaron 55,5 días de media, y solo el 29,7 % acabó dentro de su propia mejor estimación. En 1.603 grandes proyectos, el coste real fue de media 1,39 veces el estimado. Solo alrededor de la mitad de los nuevos establecimientos comerciales de Estados Unidos sigue en funcionamiento cinco años después de abrir. La buena noticia es que la corrección es barata y se puede entrenar: en torneos de pronóstico geopolítico, un módulo de formación de menos de una hora centrado en clases de comparación y tasas base mejoró la precisión entre un 6 y un 12 %, y las tasas base fueron el principio más asociado a mejores pronósticos. Esta guía te ofrece una biblioteca de tasas base verificadas, la corrección en cinco pasos en forma de hoja de trabajo y ejemplos resueltos.
Visión interna frente a visión externa
Kahneman y Lovallo definieron las dos visiones en un artículo de 1993 publicado en Management Science. Un pronóstico desde la visión interna “se basa en el conocimiento de los detalles concretos del caso, los pormenores del plan existente y algunas ideas sobre los obstáculos probables y cómo podrían superarse”. La visión externa, en cambio, “es esencialmente estadística y comparativa, y no intenta adivinar la historia futura con ningún nivel de detalle”.
El ejemplo favorito del propio Kahneman se remonta a 1976, cuando formaba parte de un equipo que redactaba un plan de estudios sobre juicio y toma de decisiones para institutos israelíes. Tras aproximadamente un año de trabajo, cada miembro del equipo estimó cuánto tardaría en terminarse el proyecto: las estimaciones iban de 18 a 30 meses. Entonces se preguntó a uno de ellos, experto en desarrollo curricular, cómo les había ido a equipos similares. Su respuesta, según recoge el artículo de 1993: alrededor del 40 % acabó abandonando y, del resto, no recordaba ninguno que hubiera terminado en menos de siete años ni que hubiera tardado más de diez. Además, consideraba que su equipo estaba ligeramente por debajo de la media. En el relato posterior de Lovallo y Kahneman en Harvard Business Review (2003), citado por Flyvbjerg, el plan de estudios se terminó ocho años después y apenas se utilizó.
A nadie en el equipo le faltaba inteligencia ni información. La información que habría cambiado el pronóstico estaba en la sala. Sencillamente no se consultó, porque la forma natural de pensar en un caso es desde dentro.
Por qué se ignoran las tasas base
En un informe técnico de 1977 que se convirtió en la base de este campo, Kahneman y Tversky distinguieron dos tipos de información. La información singular es la evidencia sobre el caso concreto. La información distribucional, o datos de tasa base, es el conocimiento de cómo se distribuyen los resultados entre casos similares. Su veredicto: “La tendencia predominante a infraponderar, o ignorar, la información distribucional es quizá el principal error de la predicción intuitiva”. El mismo informe acuñó el término “falacia de la planificación” para el hábito resultante de subestimar cuánto tiempo y cuánto dinero cuestan las cosas.
La demostración clásica de laboratorio es el problema del taxi, analizado por Maya Bar-Hillel en 1980. En una ciudad, el 85 % de los taxis son azules y el 15 % verdes. Un testigo afirma que el taxi implicado en un atropello con fuga era verde, y el testigo acierta el 80 % de las veces. ¿Cuál es la probabilidad de que el taxi fuera verde? La respuesta correcta, que combina la tasa base con la fiabilidad del testigo, ronda el 41 %. La respuesta mediana en el estudio de Bar-Hillel fue del 80 %; el 36 % de los participantes se limitó a dar la fiabilidad del testigo, y solo alrededor del 10 % se acercó al 41 %. La evidencia vívida y concreta (un testigo) desplazó a la evidencia gris y general (cuántos taxis de cada color existen).
La explicación de Bar-Hillel va mucho más allá de los taxis: las personas ordenan la información según lo relevante que les parece y dejan que domine la que parece más relevante. Los detalles de tu propio proyecto siempre parecen más relevantes que las estadísticas sobre los proyectos de otros. Precisamente por eso se ignoran las estadísticas, y por eso son tan valiosas.
Una biblioteca de tasas base verificadas
El primer paso práctico es saber que existen tasas base para muchas de las decisiones a las que te enfrentas. La tabla siguiente reúne tasas base de fuentes publicadas y verificables.
Tabla 1. Tasas base verificadas para predicciones habituales
| Predicción | Tasa base | Fuente y alcance |
|---|---|---|
| ¿Terminaré mi proyecto dentro de mi mejor estimación? | El 29,7 % terminó dentro de su propia mejor estimación; media real de 55,5 días frente a 33,9 previstos | Buehler, Griffin y Ross (1994), estudiantes de tesis de honores, Estudio 1 (33 estudiantes) |
| ¿Terminaré al menos dentro de mi estimación del peor caso? | El 48,7 % terminó dentro de su propia fecha de “todo sale lo peor posible” | Buehler, Griffin y Ross (1994) |
| ¿Se mantendrá un gran proyecto dentro del presupuesto? | El coste real fue de media 1,39 veces el estimado (1.603 proyectos); carreteras 1,24, ferrocarril 1,40, edificios 1,36, presas 1,96 | Flyvbjerg (2021), Project Management Journal, coste medido desde la decisión final de inversión, en términos reales |
| ¿Aportará un gran proyecto los beneficios prometidos? | Los beneficios reales fueron de media 0,94 veces lo previsto (786 proyectos); ferrocarril 0,66 | Flyvbjerg (2021) |
| ¿Sobrevivirá un nuevo local comercial un año? | 77,9 % (establecimientos abiertos en el año hasta marzo de 2024) | U.S. Bureau of Labor Statistics, Business Employment Dynamics |
| ¿Sobrevivirá cinco años? | 51,4 % (establecimientos abiertos en el año hasta marzo de 2020) | BLS, Business Employment Dynamics |
| ¿Sobrevivirá diez años? | 34,7 % (establecimientos abiertos en el año hasta marzo de 2015) | BLS, Business Employment Dynamics |
| ¿Se aprobará un fármaco que entra en ensayos clínicos? | 13,8 % en total; 3,4 % en oncología; 33,4 % en vacunas | Wong, Siah y Lo (2019), Biostatistics, ensayos de 2000 a 2015 |
| ¿Cuánto debe ajustarse el presupuesto de un edificio público británico por sesgo optimista? | Hasta un 24 % (edificios estándar) y un 51 % (edificios no estándar) sobre el gasto de capital | HM Treasury, Supplementary Green Book Guidance on Optimism Bias, basada en Mott MacDonald (2002) |
Algunas advertencias hacen que estas cifras sean más útiles, no menos:
- El alcance importa. Las cifras del BLS cuentan establecimientos, es decir, locales comerciales individuales, no startups; una nueva sucursal de una cadena existente cuenta como apertura. Son una visión externa razonable para “¿seguirá abierto este nuevo local?”, no para “¿triunfará esta startup financiada con capital riesgo?”.
- Las muestras pequeñas son pequeñas. El estudio de las tesis contó con 33 estudiantes. Su resultado se ha replicado en esencia muchas veces, pero el 29,7 % exacto es la cifra de un solo estudio.
- Usa las cifras globales cuando los detalles están en discusión. Wong, Siah y Lo publicaron una corrección de algunas de sus tablas por fases, por lo que aquí solo se usan las cifras globales y por área terapéutica.
La corrección en cinco pasos
El informe de 1977 de Kahneman y Tversky planteó un procedimiento corrector en cinco pasos. Bent Flyvbjerg lo adaptó después a los grandes proyectos como pronóstico por clase de referencia (reference class forecasting), y en 2004 el Departamento de Transporte del Reino Unido y HM Treasury lo adoptaron para evaluar grandes proyectos de transporte. Este es el procedimiento, adaptado a decisiones individuales.
- Elige una clase de referencia. ¿De qué grupo de casos pasados forma parte tu caso? La regla de Flyvbjerg: lo bastante amplia para ser estadísticamente significativa y lo bastante estrecha para ser de verdad comparable.
- Encuentra la distribución de esa clase. ¿Cuál es el resultado medio y cuánto varían los resultados?
- Haz tu estimación intuitiva. Ahora, y solo ahora, utiliza todo lo que sabes sobre tu caso concreto.
- Evalúa la predictibilidad. ¿Hasta qué punto estimaciones como la tuya predicen realmente los resultados? Kahneman y Tversky lo expresan como una correlación entre 0 (la información de tu caso no predice nada) y 1 (la predice a la perfección).
- Corrige hacia la tasa base. Desplázate desde la tasa base hacia tu estimación intuitiva solo en proporción a esa predictibilidad.
En forma de fórmula, el paso 5 es:
Estimación corregida = tasa base + predictibilidad x (estimación intuitiva – tasa base)
El ejemplo del propio Kahneman y Tversky: la intuición de un editor dice que un libro venderá 12.000 ejemplares; los libros de su categoría venden de media 4.000; el juicio del editor tiene una predictibilidad de aproximadamente 0,6. El pronóstico corregido es 4.000 + 0,6 x (12.000 – 4.000) = 8.800 ejemplares.
La fórmula tiene dos extremos útiles. Si la información de tu caso no predice nada (predictibilidad 0), usa la tasa base. Si la predice a la perfección (predictibilidad 1), usa tu intuición. La vida real casi siempre está en algún punto intermedio, y la mayoría de la gente se comporta como si estuviera en 1.
La hoja de trabajo de la visión externa, con ejemplos resueltos
La hoja de trabajo siguiente aplica los cinco pasos a cuatro decisiones habituales. Las tasas base proceden de la Tabla 1; las estimaciones intuitivas y los valores de predictibilidad son elecciones ilustrativas que tú sustituirías por las tuyas.
Tabla 2. Hoja de trabajo de la visión externa: cuatro ejemplos resueltos (marco editorial de CEOtudent)
| Decisión | Clase de referencia y tasa base | Estimación intuitiva | Predictibilidad (ilustrativa) | Estimación corregida |
|---|---|---|---|---|
| Ventas de un libro (ejemplo de Kahneman y Tversky) | Media de la categoría: 4.000 ejemplares | 12.000 ejemplares | 0,6 | 8.800 ejemplares |
| ¿Seguirá abierta mi nueva tienda dentro de cinco años? | Nuevos establecimientos comerciales de EE. UU.: el 51,4 % sobrevive cinco años | 90 % | 0,3 | 63,0 % |
| ¿Qué presupuesto debo asignar a una obra que estimo en 200.000 dólares? | Grandes proyectos de edificación: coste real 1,36 veces el estimado, por lo que el presupuesto según la visión externa es de 272.000 dólares | 200.000 dólares | 0,5 | 236.000 dólares |
| ¿Cuánto durará mi proyecto si creo que serán 30 días? | Los estudiantes de tesis tardaron 55,5 días frente a 33,9 previstos, una proporción de 1,64, por lo que la duración según la visión externa ronda los 49 días | 30 días | 0,3 | Unos 43 días |
La Tabla 2 es el marco editorial de CEOtudent. Las tasas base son las cifras publicadas de la Tabla 1; las estimaciones intuitivas y los valores de predictibilidad son ilustrativos, y cada estimación corregida aplica la fórmula anterior. La aritmética se comprobó mediante un script. En las filas de presupuesto y duración, la tasa base se expresa como una cifra de visión externa para este caso (tu estimación multiplicada por la proporción de la clase de referencia) antes de corregir.
Elegir el valor de predictibilidad es la parte más difícil, así que aquí tienes una guía práctica:
- Entre 0 y 0,2 aproximadamente: no tienes historial en este tipo de decisión, o el resultado depende sobre todo de factores ajenos a tu control (un mercado nuevo, un primer emprendimiento).
- Entre 0,3 y 0,5 aproximadamente: tienes algo de experiencia pertinente y tu caso presenta diferencias reales y medibles respecto a la media.
- A partir de 0,6 aproximadamente: tienes un historial documentado de estimaciones similares comparadas con sus resultados. Kahneman y Tversky sugieren estimar la predictibilidad precisamente a partir de esos registros, que es una de las razones por las que un diario de decisiones resulta rentable.
Si no puedes justificar un número, elige uno más bajo. Toda la esencia de la falacia de la planificación es que las personas sobrevaloran lo mucho que les dice la información de su caso.
Cuándo cuesta aplicar la visión externa
El método tiene límites reales, y conocerlos lo mantiene honesto.
- “Pero mi caso es único”. Kahneman y Lovallo observaron que quienes toman decisiones “tienen una fuerte tendencia a considerar los problemas como únicos”. Casi nada lo es. Incluso un producto realmente nuevo pertenece a las clases “productos nuevos”, “proyectos construidos por este equipo” y “proyectos de este tamaño”. Usa más de una clase de referencia y comprueba si coinciden.
- La clase es demasiado amplia o demasiado estrecha. Si es demasiado amplia, no dice nada sobre tu caso; si es demasiado estrecha, contiene tres ejemplos. En un ejemplo resuelto del artículo de Chang y sus colegas sobre la formación del Good Judgment Project, la tasa base de que un país posea armas de destrucción masiva era de alrededor del 13 % entre todos los países y de alrededor del 17 % al restringirla a Oriente Medio. Cuando clases cercanas dan cifras similares, puedes confiar más en la estimación.
- El mundo cambia. Las tasas base describen el pasado. Si se ha producido un cambio estructural real (una nueva tecnología, una nueva norma), ajusta, pero nombra el cambio de forma explícita y pregúntate si aceptarías ese argumento viniendo de otra persona.
- Las medias ocultan las colas. La visión externa también informa sobre la variabilidad. La versión de Flyvbjerg amplía el rango de incertidumbre hacia el rango de la clase, no solo hacia el punto medio. Un presupuesto que acierta de media pero no tiene reserva para la cola desfavorable sigue siendo un mal presupuesto.
Por qué importa más en la era de la IA
Las herramientas de IA generativa abaratan la visión interna como nunca. Pides un plan y obtienes en segundos un escenario detallado y seguro de sí mismo para tu caso. Es útil, pero es exactamente el tipo de información que, según advirtieron Kahneman y Tversky, tiende a dominar el juicio. La visión externa es el contrapeso, y es fácil incorporarla a la forma en que usas estas herramientas: pide primero la clase de referencia y cómo suelen terminar esos casos, y solo después el plan. Luego contrasta cualquier tasa base que te ofrezca la herramienta con una fuente primaria, porque una estadística inventada es peor que ninguna.
Para el conjunto más amplio de herramientas de pensamiento al que pertenece, consulta nuestro índice seleccionado de modelos mentales que importan en la era de la IA. La visión externa combina de forma natural con pensar en apuestas, que convierte los pronósticos en probabilidades, y con el pre-mortem, que somete un plan a una prueba de estrés desde dentro una vez que la visión externa ha fijado expectativas realistas. Para un caso práctico de cómo se comportan con el tiempo los pronósticos hechos con seguridad, consulta nuestro boletín de una década de predicciones expertas sobre IA. Y si la tasa base de tu proyecto parece sombría, decide de antemano qué te haría parar: los criterios de abandono son la visión externa aplicada a la decisión de abandonar.
El CEO y el estudiante en tus predicciones
La mitad CEO de la lente de CEOtudent tiene que ver con la asignación de capital. Un CEO que financiara cada proyecto con su presupuesto de visión interna se quedaría sin dinero; los buenos asignadores de capital preguntan qué rindieron inversiones similares antes de aprobar esta. Trata del mismo modo tu propio tiempo, tus ahorros y tus movimientos profesionales. La mitad estudiante tiene que ver con la calibración. El objetivo no es desconfiar de ti para siempre, sino aprender cuánto vale realmente tu conocimiento del caso. Registra tus estimaciones, compáralas con los resultados y deja que tu valor personal de predictibilidad suba solo cuando tu historial lo justifique.
Preguntas frecuentes
¿Qué es la visión externa?
Una forma de pronosticar que parte de cómo han terminado los casos similares, en lugar de los detalles de tu propio caso. El término procede de Kahneman y Lovallo (1993), que la contrapusieron a la visión interna, la cual construye un escenario a partir de los detalles concretos del plan.
¿Qué es una tasa base?
La frecuencia de un resultado en un grupo pertinente de casos pasados: por ejemplo, la proporción de nuevos establecimientos comerciales que siguen en funcionamiento al cabo de cinco años (51,4 % para los establecimientos estadounidenses abiertos en el año hasta marzo de 2020, según el BLS). El olvido de la tasa base es la tendencia a ignorar esta información en favor de los detalles del caso.
¿Qué es el pronóstico por clase de referencia?
La adaptación de Bent Flyvbjerg del método de Kahneman y Tversky a los proyectos: identificar una clase de proyectos pasados similares, establecer la distribución de sus resultados y situar tu proyecto dentro de esa distribución. El Departamento de Transporte del Reino Unido y HM Treasury lo adoptaron en 2004 para los grandes proyectos de transporte.
¿Cómo combino una tasa base con mi propio juicio?
Parte de la tasa base y desplázate hacia tu estimación intuitiva en proporción a lo predictivo que haya demostrado ser tu juicio: estimación corregida = tasa base + predictibilidad x (estimación intuitiva – tasa base). Con una tasa base de 4.000, una intuición de 12.000 y una predictibilidad de 0,6, el resultado es 8.800.
¿La formación en tasas base mejora de verdad las predicciones?
Sí, según la mejor evidencia disponible. En los torneos de pronóstico del Good Judgment Project, un módulo de razonamiento probabilístico de menos de una hora, que enseñaba clases de comparación y tasas base, mejoró la precisión (puntuaciones de Brier) entre un 6 y un 12 %, según el año (el resumen del artículo lo sintetiza como entre un 6 y un 11 %), y el uso de clases de comparación y tasas base fue el principio más asociado a las mejoras.
Fuentes
- Kahneman, D., y Tversky, A. (1977). Intuitive Prediction: Biases and Corrective Procedures. Technical Report PTR-1042-77-6, Decision Research. Publicado en TIMS Studies in Management Science, 12 (1979), 313-327.
- Kahneman, D., y Lovallo, D. (1993). Timid Choices and Bold Forecasts: A Cognitive Perspective on Risk Taking. Management Science, 39(1), 17-31.
- Buehler, R., Griffin, D., y Ross, M. (1994). Exploring the “Planning Fallacy”: Why People Underestimate Their Task Completion Times. Journal of Personality and Social Psychology, 67(3), 366-381.
- Bar-Hillel, M. (1980). The Base-Rate Fallacy in Probability Judgments. Acta Psychologica, 44, 211-233.
- Flyvbjerg, B. (2006). From Nobel Prize to Project Management: Getting Risks Right. Project Management Journal, 37(3), 5-15.
- Flyvbjerg, B. (2021). Top Ten Behavioral Biases in Project Management: An Overview. Project Management Journal, 52(6), 531-546.
- Chang, W., Chen, E., Mellers, B., y Tetlock, P. (2016). Developing Expert Political Judgment: The Impact of Training and Practice on Judgmental Accuracy in Geopolitical Forecasting Tournaments. Judgment and Decision Making, 11(5), 509-526.
- U.S. Bureau of Labor Statistics. Business Employment Dynamics: Survival of Private Sector Establishments by Opening Year (datos hasta marzo de 2025).
- Wong, C. H., Siah, K. W., y Lo, A. W. (2019). Estimation of Clinical Trial Success Rates and Related Parameters. Biostatistics, 20(2), 273-286; y corrigendum, Biostatistics, 20(2), 366.
- HM Treasury. Supplementary Green Book Guidance: Optimism Bias.
La Tabla 1 recoge las cifras tal como las publicaron las fuentes citadas. La Tabla 2 es el marco editorial de CEOtudent: las tasas base son cifras publicadas, mientras que las estimaciones intuitivas y los valores de predictibilidad son ilustrativos.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
